物理信息神经网络对传感器数据噪声的鲁棒性
机器学习
2022-11-23 v1 计算物理
摘要
物理信息神经网络（PINNs）已被证明是将基于物理的领域知识融入神经网络模型以用于许多重要现实系统的有效方式。作为一种基于数据推断系统信息的手段，它们尤其有效，即使在数据稀缺的情况下也是如此。然而，当前大多数工作都假设可获得高质量数据。在本工作中，我们进一步对物理信息神经网络对数据中噪声大小的鲁棒性进行了初步研究。有趣的是，我们的实验揭示，在神经网络中引入物理信息足以抵消来自假想低质量传感器的数据噪声影响，其信噪比高达 1。可以看到，该测试用例的结果预测仍与从噪声可能少 10 倍的高质量传感器获得的等效数据所得到的预测值相匹配。这进一步暗示了物理信息神经网络建模在未来处理传感器网络数据的效用，特别是随着工业 4.0 的到来以及低成本（通常噪声更大）传感器普遍部署的趋势。
引用
@article{arxiv.2211.12042,
title = {Robustness of Physics-Informed Neural Networks to Noise in Sensor Data},
author = {Jian Cheng Wong and Pao-Hsiung Chiu and Chin Chun Ooi and My Ha Da},
journal= {arXiv preprint arXiv:2211.12042},
year = {2022}
}